[发明专利]一种基于深度学习的监狱视频监控方法

说明书

本发明提供了一种基于深度学习的监狱视频监控方法，能够实现的功能一是从监狱内所有监控中筛选出存在潜在危险的目标监控，方便监狱工作人员查看；二是自动保存监狱监控中出现罪犯违纪违规的图片。具体方法是通过标注监狱监控图片数据集训练基于深度学习的目标检测网络模型；对监狱视频监控进行分组，对每一组循环读取当前帧进行检测；设置相应规则判断是否有潜在危险和罪犯违纪违规。综合考虑检测精度、速度和判断规则的实用性，本发明能够为现有监狱视频监控系统提供一种经济、高效的调度和监控方法。

技术领域

本发明涉及监狱视频监控管理领域，尤其涉及一种基于深度学习目标检测算法的监狱视频监控调度和罪犯违纪违规行为抓拍方法。

背景技术

以下对本发明的相关技术背景进行说明，但这些说明并不一定构成本发明的现有技术。

广义的监狱指关押一切犯人的场所，包括监狱，看守所，未成年人管教所等，罪犯越狱、自杀、打架、袭警等行为严重影响社会治安和监狱安全。

为保障监管安全，监狱内部的监控摄像头遍布各个角落，通过专用网络连接视频存储设备，通过流媒体技术实现在多个终端上的实时监控和调阅录像等功能。然而，监狱内监控摄像头数量可能达到几百甚至几千个，通过人力实时查看所有监控几乎不可能；而且，监控画面在绝大部分时间是正常的，没有罪犯违纪或潜在危险，长时间查看容易造成工作人员的视觉疲劳。

现行的监控方法大多是随机选取或者按照事先设定的顺序选择几个或者十几个监控显示，再由工作人员去判断是否存在罪犯违纪违规或潜在危险。这种通过人力实时监控的方法查看的监控数量有限，远远低于监狱内监控摄像头的总量，造成许多危险情况发现不及时。

申请号为CN201711231668.7，申请日期为2017年11月30日的发明公开了一种智能视频分析与监控系统，其判断前景目标在警戒区域内的办法可以用在监狱围墙周界等视频监控上，实现对翻越电网接近围墙的罪犯或其他物体进行检测并报警，提高防脱逃能力；但是在监狱内部，罪犯生活场所、劳动场所以及道路等没有警戒区域，但却是发生罪犯自杀、打架、违纪违规的主要地点，因此需要一种方法能够实现对监狱内所有区域发生的危险进行报警。

申请号为CN201610758302.4，申请日期为2016年8月30日的发明公开了一种监狱视频监控系统，该系统需要为每一名罪犯佩戴腕带，通过腕带数据判断危险，利用无线射频定位罪犯的三维坐标，然后调用视频监控进行实时查看。该系统在实际应用中需要考虑腕带充电、系统复杂性和成本等问题。

近几年来，卷积神经网络和深度学习在计算机视觉领域取得重大突破，其中一系列基于深度学习的目标检测算法如Faster-RCNN,YOLO-V3等在速度和精度上都进步显著，能够快速准确地识别出图片中包含的各个物体类别，并用矩形框定位物体的坐标，在安防、自动驾驶等领域具有实用价值。

发明内容

为解决上述监狱视频监控存在的问题，减少相关工作人员的工作量，实现对监狱内潜在危险和罪犯违纪违规行为的实时监控，本发明提出一种基于深度学习的监狱视频监控方法。

一是利用基于深度学习的目标检测算法在所有监控中筛选存在潜在危险的监控画面进行显示，使查看监控的部门及人员能够自动高效地调度视频监控。

二是根据常见物品和罪犯的状态自动判断是否存在罪犯违纪违规行为，并保存相应的图片作为督察通报的依据。

为完成上述两个功能，本发明的技术方案包括以下步骤：

步骤1）建立数据集：截取多张监狱视频监控中的帧，进行人工标注，标注的类包括罪犯、民警、衣服、货车、重点工具（撬棍、砂轮机、各类刀具等）、安全帽、书籍以及其他常见或者应当被关注的物体；

步骤2）训练目标检测模型：搭建基于深度学习的目标检测卷积神经网络，用上一步标注的数据集训练该网络，获得适用于监狱的目标检测模型；